A Confidence-Weighted Rule-Based Framework for Multimodal Brain Lesion Classification Using MRI and MRS
Notice bibliographique
Résumé
Differentiating brain tumors from tumor-like lesions is a persistent clinical challenge due to their overlapping imaging features on conventional radiological scans.Tumor-like lesions such as demyelinating diseases, infections, or post-traumatic changes often mimic neoplastic growths in appearance, leading to potential misdiagnosis and inappropriate treatment decisions.To address this issue, we propose a novel machine-learning-based diagnostic framework that integrates Magnetic Resonance Spectroscopy (MRS) and structural Magnetic Resonance Imaging (MRI) through a confidence-weighted fusion strategy: Final Diagnosis = 0.7 × MRS + 0.3 × MRI.This weighting reflects the higher metabolic specificity of MRS, while retaining MRI's anatomical detail.Each modality is processed through a specialized pipeline.The MRS pipeline involves image-to-numeric transformation, noise filtering, metabolite concentration-based feature extraction, expertguided feature selection, and a rule-based classifier.The MRI pipeline includes skull stripping, a novel Dynamic Image Thresholding method, multidimensional feature extraction (statistical, volumetric, shape-based), and correlation-based feature selection with a rule-based classifier.Our integrated system achieved 90% classification accuracy on a clinically validated dataset, effectively distinguishing between tumors and tumor-like lesions.Despite the small dataset (n=50) from a single center, stratified cross-validation yielded consistent results (90% accuracy), demonstrating robustness.Future external validation is planned.By introducing a confidence-informed multimodal fusion strategy, the framework provides both high diagnostic accuracy and interpretability, supporting more reliable and informed clinical decision-making in neuro-oncology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».